Contexte & Objectifs

Une entreprise de services B2B avait besoin de développer une agilité analytique et de travailler plus efficacement pour obtenir des résultats commerciaux.

L'entreprise souhaitait contacter ses clients qui pourraient être intéressés par la souscription de produits et services supplémentaires. Cependant, le défi résidait dans l'identification des opportunités de vente croisée pour cibler efficacement les clients existants lors des campagnes. Savoir où investir du temps et des efforts est crucial pour la rentabilité. Avec des données provenant de multiples sources et systèmes, ils ne pouvaient pas réunir tous ces éléments pour extraire des renseignements commerciaux précieux.

L'équipe marketing créait elle-même les listes de contacts pour les campagnes de vente croisée. Ils passaient donc beaucoup de jours de travail chaque année à analyser et rassembler une liste d'opportunités de clients potentiels.

Ainsi, notre client a décidé de se concentrer sur la vente croisée et les recommandations pour améliorer l'efficacité, la rentabilité et la performance client. Ils ont fait appel à Agilytic pour fournir rapidement une solution qui leur permette de se concentrer sur les cas avec une plus grande chance de vente croisée tout en recommandant les meilleures tactiques à l'équipe commerciale.

Approche

Nous avons travaillé avec les équipes de données, stratégie et marketing pour garantir un impact significatif de nos efforts. Avant de commencer, nous avons organisé un atelier avec les propriétaires de sources de données pour identifier les données pertinentes.

Tout d'abord, nous avons rassemblé des données pour prédire le comportement des clients et identifier les profils clients idéaux. Nous avons utilisé quatre sources de données, un CRM, un outil de traitement des commandes en attente, un outil de ticketing et un outil d'automatisation des mailings, pour décrire le comportement des clients et leurs habitudes d'achat, et faciliter le processus d'évaluation des clients.

Après cette phase de collecte et de construction analytique des données, nous avons évalué les clients. Nous avons effectué l'extraction des données de différents systèmes et l'analyse des données (saisonnalité des ventes, qualité des données), l'ingénierie des caractéristiques (agrégations, fusion de différentes sources, nettoyage, définition et création de cibles), la modélisation, la prédiction, et finalement, les explications sur le modèle.

À la fin, nous avons créé trois modèles. Chaque modèle fournissait un score de vente croisée pour un produit différent et sur un horizon temporel différent, pour illustrer :

1. Le client achètera-t-il (produit 1) dans les 12 prochains mois ?

2. Le client achètera-t-il (produit 2) dans les trois prochains mois ?

3. Le client achètera-t-il (produit 3) dans les 12 prochains mois ?

Nous avons étroitement collaboré avec notre client pour valider le résultat au cours de ce processus. Ensemble, nous avons revu les hypothèses de travail pour garantir la qualité finale du modèle et l'adoption par notre client. Nous avons testé le modèle pour évaluer sa fiabilité dans le temps. En plus de l'algorithme entièrement implémentable, notre client a reçu des explications détaillées sur les facteurs influents.

Nous avons livré les éléments suivants :

• Scores de vente croisée par client (.csv)

• Code documenté sur la VM où les modèles ont été créés (.py, .ipynb, .md)

• Description des modèles et recommandations (.ppt)

Résultats

En moins de 30 jours de travail, nous avons développé un modèle qui...

• extrait des données de différentes sources,

• analyse les données,

• modélise,

• affiche des prévisions,

• et offre des explications

En utilisant les modèles de vente croisée, l'équipe marketing du client économisera beaucoup de temps grâce à une approche plus analytique. Notre client peut désormais s'appuyer sur les scores prévus par le modèle pour cibler les clients lors de leurs campagnes de vente croisée.